Предсказание отказов оборудования гидротурбины с использованием комбинации эволюционных и нейросетевых моделей Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневскце чтения

Активно ведущиеся в нашей стране и за рубежом исследования в области разработки систем интеллектуального анализа данных и высокопроизводительных вычислительных систем порождают большое число подходов и методов, но не предоставляют возможности прямого применения конечными пользователями, так как требуют от них экспертных знаний за пределами их области компетентности, а также редко рассматривают проблемы в интегральном виде - технологии ИАД разрабатываются с ориентацией на существующие вычислительные системы, а высокопроизводительные вычислительные системы разрабатываются, в основном, в универсальном виде в расчете на использование во всех областях науки и техники.

Для системной автоматизации проектирования специализированных распределенных вычисли-

тельных систем интеллектуального анализа данных в режиме реального времени необходимо решение комплекса взаимосвязанных фундаментальных проблем разработки самонастраивающихся процедур генерирования интеллектуальных информационных технологий, создания адаптивных самонастраивающихся алгоритмов решения сложных задач оптимизации, создания формального аппарата для моделирования процессов функционирования специализированных МВС и РВС, построения и разработки модельного и алгоритмического обеспечения выбора эффективных конфигураций РВС ИАД РВ. На настоящий момент все эти проблемы разрешены, что позволяет разработать эффективную СППР при проектировании распределенных систем ИАД РВ.

S. N. Efmov

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

DECISION SUPPORT SYSTEM FOR DESIGN OF DISTRIBUTED SYSTEMS FOR REAL TIME DATA MINING

Effectiveness evaluation models of distributed computing systems (clusters, LCS, grid) are described, the choice of their effective variants problem statement is given and algorithms for automated design of real time data mining are discussed which are core of DSS.

© Ефимов С. Н., 2011

УДК 612.8+004.4+519.6

В. Б. Звонков

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

ПРЕДСКАЗАНИЕ ОТКАЗОВ ОБОРУДОВАНИЯ ГИДРОТУРБИНЫ С ИСПОЛЬЗОВАНИЕМ КОМБИНАЦИИ ЭВОЛЮЦИОННЫХ И НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ

После детального изучения предметных областей исследований и выполнения программной реализации искусственных нейронных сетей и классических методов их обучения автором работы предлагаются эволюционные процедуры, адаптированные для оптимизации весовых коэффициентов искусственных нейронных сетей в процессе решения задачи. В работе были решены тестовые задачи аппроксимации функций многих вещественных переменных, а также задача предсказания возможных отказов оборудования гидротурбины. Проведенный сравнительный статистический анализ классических и разработанных методов доказал более высокую эффективность эволюционных методов обучения.

Искусственные нейронные сети являются перспективным направлением исследований в областях, связанных с проектированием систем искусственного интеллекта и применяются при решении широкого спектра практических задач: моделирование, восстановление зависимостей, прогнозирование (например, курсы ценных бумаг на валютных биржах), распознавание образов (рукописных букв, машинных шрифтов и т. д.), классификации (наибольший сигнал на определенном выходе сети соответствует номеру класса), идентификации и т. д. Существуют несколько способов извлечения скрытых знаний и закономерностей посредством нейронных сетей, настройки и использования конкретных архитектур, адаптации архитектур к постановке решаемой задачи, что

относится к такому перспективному направлению исследований как Data Mining. Эволюционные алгоритмы достаточно эффективны при решении сложных оптимизационных задач (при условии выбора параметров, соответствующих необходимому типу сходимости), к которым относится задача настройки параметров искусственной нейронной сети в силу высокой размерности вектора настраиваемых параметров и многоэкстремальности целевой функции ошибки.

В рамках данной работы автором была программно реализована искусственная нейронная сеть в общем виде многослойного персептрона Розенблатта с настраиваемыми параметрами на языке С/С++ без использования библиотек и стандартных функций. Разработанная автором данной работы программная

Математические методы моделирования, управления и анализа данных

система обеспечивает выбор решаемой задачи, автоматическую генерацию выборки требуемого объема случайным образом в заданном диапазоне, сохранение в файл сгенерированной выборки и загрузку из файла в программу ранее полученной выборки, ручную настройку структуры нейронной сети в виде количества скрытых слоев, количества нейронов на каждом таком слое, выбор и настройку оптимизационных методов параметров нейронной сети (классический алгоритм обратного распространения ошибки, модифицированная процедура стохастической аппроксимации градиента [1], разработанные автором данной работы оригинальные самонастраивающийся эволюционный алгоритм и гибридный генетический алгоритм), автоматизированное тестирование алгоритмов, вывод прогресса работы алгоритмов, численных значений критериев эффективности для каждого выхода искусственной нейронной сети и усредненных по всем выходам и независимым прогонам. Проверка работоспособности и эффективности функционирования алгоритмов обучения искусственных нейронных сетей осуществлялась автором работы на 5 тестовых задачах аппроксимации функций одной и многих вещественных переменных, а также на задаче предсказания отказов оборудования гидротурбины по измеренным вибрационным сигналам с помощью групп датчиков для 11 входных и 12 выходных переменных, полученным при различных внешних условиях и параметрах оборудования. Из полученной таким образом выборки (1000 измерений) 11,2 % измерений отбирались случайным образом для проведения экзамена для обученной искусственной нейронной сети, а оставшиеся 88,8 % использовались для обучения. Согласно результатам проведенных экспериментов выяснилась необходимость построения 12 искусственных нейронных сетей, каждая из которых имеет несколько входных переменных, свою структуру и ак-тивационные функции для каждой выходной переменной. Подбор структуры нейронной сети осуществлялся вручную двумя способами: выбор наиболее простой структуры сети с последующим усложнением, выбор наиболее сложной структуры сети с последующим упрощением. Для некоторых выходов удалось уменьшить количество входных переменных с помощью метода главных компонент, без существенной потери в общем проценте дисперсии данных

в пространстве исходной размерности. В каждом прогоне распределение точек в обучающую и экзаменующую выборки осуществлялось случайным образом с целью получения эффективных структур нейронных сетей, способных решать поставленную задачу. Мощность бинарного пространства поиска (для эволюционных алгоритмов) в ходе экспериментов

изменялась в диапазоне от 2200 до 2936 точек, а доля использованного пространства поиска изменялась в диапазоне от 5,60071-10-56 до 1,5494 -10-277. Критерии, использовавшиеся для статистической обработки данных (критерий знаков, Манна-Уитни и Вилкоксо-на) позволили обосновать закономерность (неслучайность) полученных результатов. По результатам проведенных экспериментов автором данной работы можно сделать следующие выводы:

1) при решении 5 тестовых задач усредненная по выходам, прогонам и задачам относительная ошибка на обучающей и экзаменующей выборках для эволюционных алгоритмов обучения ИНС составляла менее 1 %, наименьшая ошибка обеспечивается при использовании гибридного генетического алгоритма при обучении ИНС (0,296 639 %);

2) усредненная по 12 выходам и независимым прогонам относительная ошибка на обучающей выборке составила 1,289 1 %, а на тестовой выборке - 2,064 9 % для задачи предсказания отказов оборудования гидротурбины, полученная при сочетании гибридного генетического алгоритма и многослойного персептрона Розенблатта;

3) использование алгоритма обратного распространения ошибки и модифицированного алгоритма стохастической аппроксимации градиента сопряжено с ресурсоемкой процедурой настройки параметров данных методов для конкретной задачи, соблюдением требований сходимости методов, чего не требуют самонастраивающийся генетический алгоритм и гибридный генетический алгоритм, при этом обеспечивая устойчивый процесс сходимости к многомерному оптимуму, для всех решенных задач.

Библиографическая ссылка

1. Граничин О. Н., Поляк Б. Т. Рандомизированные алгоритмы оптимизации и оценивания при почти произвольных помехах / отв. ред. А. В. Назин. М. : Наука, 2003.

V. B. Zvonkov

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

PREDICTION OF FAILURE OF HYDRAULIC TURBINE EQUIPMENT WITH USE OF THE COMBINATION OF EVOLUTIONARY AND NEURAL NETWORKS MODELS

Having studied special scientific literature in this subject in details, the author developed software including artificial neural networks and classical training algorithms and suggested evolutionary procedures which have been adapted for optimization of weight coefficients for artificial neural network when task is being solved. Test approximation problems of multivariable functions and problem of forecasting of failure for the equipment of the hydraulic turbine have been solved. The comparative statistical analysis of the classical and developed methods has proved higher efficiency of evolutionary methods of training.

© Звонков В. Б., 2011